这是深度学习工程师微专业中的第二门课。
学完这门课之后，你将会:
- 理解业界构建深度神经网络应用最有效的做法。
- 能够高效地使用神经网络通用的技巧，包括初始化、L2和dropout正则化、Batch归一化、梯度检验。
- 能够实现并应用各种优化算法，例如mini-batch、Momentum、RMSprop和Adam，并检查它们的收敛程度。
- 理解深度学习时代关于如何构建训练/开发/测试集以及偏差/方差分析最新最有效的方法。
- 能够用TensorFlow实现一个神经网络。
这门课将会详尽地介绍深度学习的基本原理，而不仅仅只进行理论概述。
当你完成这门微专业之后，你就能够将深度学习运用到你的个人应用中，调教出属于你自己的AI。
如果你正在找与人工智能有关的工作，那么，在学习完这门课后，应对面试官提问的基础面试问题就绰绰有余了。
制作方：deeplearning.ai
原载于：Coursera
无
需要有基本的数学、编程和机器学习基础。
第一周 深度学习的实用层面
1.1 训练/开发/测试集
1.2 偏差/方差
1.3 机器学习基础
1.4 正则化
1.5 为什么正则化可以减少过拟合？
1.6 Dropout 正则化
1.7 理解 Dropout
1.8 其他正则化方法
1.9 正则化输入
1.10 梯度消失与梯度爆炸
1.11 神经网络的权重初始化
1.12 梯度的数值逼近
1.13 梯度检验
1.14 关于梯度检验实现的注记
第二周 优化算法
2.1 Mini-batch 梯度下降法
2.2 理解 mini-batch 梯度下降法
2.3 指数加权平均
2.4 理解指数加权平均
2.5 指数加权平均的偏差修正
2.6 动量梯度下降法
2.7 RMSprop
2.8 Adam 优化算法
2.9 学习率衰减
2.10 局部最优的问题
第三周 超参数调试、Batch正则化和程序框架
3.1 调试处理
3.2 为超参数选择合适的范围
3.3 超参数训练的实践：Pandas VS Caviar
3.4 正则化网络的激活函数
3.5 将 Batch Norm 拟合进神经网络
3.6 Batch Norm 为什么奏效？
3.7 测试时的 Batch Norm
3.8 Softmax 回归
3.9 训练一个 Softmax 分类器
3.10 深度学习框架
3.11 TensorFlow
大师访谈
我在本微专业中采访了多位人工智能领域大师，希望你可以从他们的睿智回答中了解 AI 领域的专业建议。
Yoshua Bengio
加拿大蒙特利尔大学教授，蒙特利尔大学机器学习研究所（MILA）的负责人，神经网络三巨头之一，人工智能孵化器 Element AI 联合创始人之一，2017年成为微软人工智能研究顾问。
林元庆
现任百度深度学习实验室（IDL）主任，曾任 NEC 美国实验室媒体分析部门主管。在他的带领下 NEC 研究团队在深度学习、计算机视觉和无人驾驶等领域取得世界领先水平。
【致谢】
本课程中英文目录与字幕由深虫小组的沈敏琰、杨枭、蒋慧桢、李寒宁、陈璟仪、李轩，HTLL 翻译组，及 Eureka 字幕组的 Trazom、Ziling Zhang、范家璇、Terrence、heyhey 贡献，是他们的贡献使得本课程字幕能够又快又准确地呈现在大家面前。另外，我们还感谢其他对本门课程作出贡献的所有 deeplearning.ai 及网易云课堂相关工作人员。
